تبدیل متن به صدا با ElevenLabs؛ 7 ترفند مهم گفتار فارسی

صدای فارسی‌اش واقعاً طبیعیه؟

جواب کوتاه: می‌تونه روون و قابل‌قبول باشه، ولی «بدون زحمت» نیست. مستندات رسمی ElevenLabs می‌گه مهم‌ترین عامل کیفیت خودِ صداست، بعدش مدل و بعد تنظیمات. چیزی که تو این فهرست نیست و تو تجربهٔ تبدیل متن به صدا خیلی وزن داره، شکلِ متنیه که به مدل می‌دی؛ مدل دقیقاً همون چیزی رو می‌خونه که می‌بینه.

یه مثال آموزشی (فرضی، نه نتیجهٔ تست‌شده) فرق متن خام و متن آماده‌شده رو نشون می‌ده:

• متن خام: «سلام به همه ما امروز میخوایم با هم یاد بگیریم که چطور از ابزار جدید استفاده کنیم و نتیجه بگیریم»
• متن آماده‌شده: «سلام به همه! امروز می‌خوایم با هم یاد بگیریم که چطور از این ابزار استفاده کنیم. قدم اول؟ ساختن حساب.»

نسخهٔ دوم جمله‌های کوتاه‌تر، مکث‌های مشخص و لحن گفتاری داره. چنین متنی معمولاً طبیعی‌تر شنیده می‌شه، چون مدل نشونه‌های روشن‌تری برای ریتم داره.

پس قضاوت دربارهٔ طبیعی بودن صدا رو به حدس نسپار: یه نمونهٔ ۲ تا ۳ جمله‌ای بساز و با گوش خودت بسنج. صفحهٔ اختصاصی فارسی ElevenLabs هم یه جا برای شنیدن نمونه‌هاست.

تبدیل متن به صدا برای فارسی چطور انجام می‌شه؟

برای تبدیل متن فارسی به صدا، تو بخش Text to Speech حسابت مدلی رو انتخاب کن که فارسی رو پشتیبانی می‌کنه، یه صدا برداری و یه تکهٔ کوتاه رو تولید کنی. بعد از گوش دادن، علائم، اعراب و املای آوایی متن رو اصلاح کن، دوباره تست کن و وقتی راضی بودی، خروجی کامل رو دانلود کن.

مسیر خلاصه‌ش:

1. وارد حسابت شو.
2. بخش Text to Speech رو باز کن.
3. مدل و صدا رو انتخاب کن.
4. یه تکهٔ کوتاه رو تست کن.
5. متن رو اصلاح و دوباره تست کن.
6. خروجی کامل رو بگیر.

جزئیات هر کلیک تو بخش بعدی اومده.

قبل از انتخاب مدل یه چیز رو چک کن: فارسی باید صراحتاً تو فهرست زبان‌های همون مدل نوشته شده باشه. طبق مستندات رسمی، فارسی (Persian) تو Eleven v3 و Eleven v4 ذکر شده. مدلی رو که فارسی تو فهرستش نیست انتخاب نکن، حتی اگه برای انگلیسی عالی کار می‌کنه.

یه راه میان‌بر برای گوش دادن هم هست: صفحهٔ اختصاصی فارسی خود ElevenLabs نمونه‌های آماده داره. قبل از اینکه متن خودت رو بسازی، چند نمونهٔ اونجا رو گوش بده تا سطح انتظارت با خروجی واقعی جور بشه.

تبدیل متن به صدا؛ از انتخاب صدا تا خروجی

این مسیر همون چیزیه که برای اولین فایل صوتی لازم داری. ترتیبش مهمه: اول صدا و مدل، بعد لحن و سرعت، بعد متن آماده‌شده، آخر خروجی.

انتخاب مدل. طبق مستندات رسمی (بررسی‌شده در ۷ اکتبر ۲۰۲۶)، فارسی (Persian) تو Eleven v3 و Eleven v4 ذکر شده. برای متن فارسی سراغ همین دو برو. Multilingual v2 و Flash v2.5 رو برای فارسی پیشنهاد نمی‌کنم، چون فارسی تو فهرست زبان‌های تأییدشدهٔ اونا نیست.

• Eleven v3: مدل بیانگر و پرحس، با سقف ۵٬۰۰۰ کاراکتر.
• Eleven v4: مدل جدیدتر و خیلی احساسی، با سقف ۱۰٬۰۰۰ کاراکتر.

مراحل به‌ترتیب:

1. وارد حساب ElevenLabs شو و بخش Text to Speech رو باز کن.
2. از منوی مدل، Eleven v3 یا Eleven v4 رو انتخاب کن و مطمئن شو فارسی تو فهرست زبان‌های اون مدل هست.
3. انتخاب صدا: چند صدا رو با یه جملهٔ کوتاه امتحان کن و اونی رو نگه دار که تلفظ و ریتمش به محتوات می‌خوره.
4. تنظیم لحن و سرعت: کنترل‌هایی که مدلت داره رو تنظیم کن (توضیحش تو بخش بعدی میاد).
5. آماده‌سازی متن فارسی: متن رو با ترفندهای بخش «ترفندهای نوشتن متن فارسی» آماده کن؛ جمله‌ها رو کوتاه کن، ویرگول و نقطه رو بذار، عدد و اختصار رو خوندنی بنویس و فقط کلمه‌های مبهم رو اعراب‌گذاری کن. بعد متن رو تو کادر متن بنویس یا بچسبون.
6. روی دکمهٔ تولید بزن و نمونه رو گوش بده.
7. اگه تلفظ یا مکثی اشتباه بود، متن رو اصلاح کن و دوباره تولید کن.
8. خروجی گرفتن: وقتی راضی بودی، فایل رو دانلود کن.

اول با ۲ تا ۳ جمله شروع کن. اگه کل متن بلند رو یه‌جا بسازی و تلفظ یه اسم اشتباه باشه، کل تولید هدر می‌ره.

لحن و سرعت رو چطور تنظیم کنیم؟

خطای رایج اینه که فکر کنی همهٔ اسلایدرها رو همهٔ مدل‌ها دارن. این‌طور نیست. تنظیم لحن به مدل بستگی داره.

طبق راهنمای رسمی تنظیمات:

• تو Eleven v4 اسلایدرهای Style و Speed وجود ندارن و SSML هم پشتیبانی نمی‌شه.
• تگ‌های صوتی (audio tags) برای کنترل جزئی‌تر لحن بین مدل‌ها فرق می‌کنن؛ بدون چک کردن سازگاری مدلت، به یه تگ خاص تکیه نکن.
• تو مدل‌هایی که اسلایدرها رو دارن، یه نقطهٔ شروع رایج اینه: Stability حدود ۵۰، Similarity حدود ۷۵ و Style روی صفر، با تغییرات خیلی کم بعدش.

دسترسی به یه قابلیت تو API هم به معنی وجودش تو رابط کاربری نیست. مثلاً Eleven v4 تو مستندات با Text to Dialogue API معرفی شده، ولی از این نتیجه نگیر که همون قابلیت تو UI هم هست.

پس تو مدلی مثل v4 که اسلایدر نداره، لحن رو از راه متن کنترل کن: طول جمله، علائم و انتخاب کلمه. تو مدلی که اسلایدر داره، هر بار فقط یه چیز رو عوض کن و دوباره گوش بده؛ اگه دو چیز رو هم‌زمان عوض کنی، نمی‌فهمی کدوم اثر گذاشته.

ترفندهای نوشتن متن فارسی برای خواندن بهتر

این بخش مهم‌ترین قسمت مقاله‌ست؛ چون کیفیت تبدیل متن به صدا بیشتر از متن ورودی درمیاد تا از تنظیمات.

۱. اعراب‌گذاری فقط برای کلمات مبهم. کلمه‌هایی که بدون اعراب چند جور خونده می‌شن (مثل «کرد»، «شد» یا «علم») رو فقط وقتی اعراب بزن که مدل اشتباه می‌خونه. همه‌جا اعراب نذار؛ متن شلوغ می‌شه و خودش مشکل تازه می‌سازه.

۲. ویرگول و نقطه برای کنترل مکث. مدل مکث رو از نشانه‌گذاری می‌فهمه. ویرگول مکث کوتاه می‌سازه و نقطه مکث کامل‌تر. جایی که سریع خونده می‌شه، یه ویرگول یا نقطه اضافه کن.

۳. شکستن جمله‌های بلند. جملهٔ ۴۰ کلمه‌ای رو به دو یا سه جملهٔ کوتاه تبدیل کن. جمله‌های کوتاه هم طبیعی‌تر خونده می‌شن و هم تلفظشون راحت‌تر قابل اصلاحه.

۴. عدد و اختصار رو خوندنی بنویس. به‌جای «۲۵٪» بنویس «بیست و پنج درصد». اختصارهایی که ممکنه حرف‌به‌حرف یا اشتباه خونده بشن رو با شکل کامل یا آوایی‌شون بنویس.

۵. گفتاری بنویس، نه نوشتاری. اگه متنت رسمی و کتابیه، صدا هم رسمی و خشک درمیاد. «می‌خوایم» تو ویس‌اوور ریلز طبیعی‌تر از «می‌خواهیم» به گوش می‌رسه.

۶. کلمهٔ مشکل‌دار رو تو جملهٔ مستقل تست کن. اگه یه واژه مدام اشتباه خونده می‌شه، یه جملهٔ کوتاه فقط با همون واژه بساز. اینجوری بدون هدر دادن تولید کامل، چند نسخهٔ املایی رو مقایسه می‌کنی.

۷. فهرست املای اصلاح‌شده نگه دار. هر بار تلفظی درست شد، همون شکل نوشتاری رو تو یه فایل ذخیره کن. بعد از چند تولید، فهرستت کامل می‌شه و دیگه برای هر متن از اول شروع نمی‌کنی.

تنظیم پیشنهادی برای ریلز، کتاب صوتی و تبلیغ رادیویی

هر کاربرد یه جور نوشتن می‌خواد. جدول زیر یه نقطهٔ شروعه، نه حکم قطعی؛ همیشه با یه نمونهٔ کوتاه تست کن.

پشت هر ردیف یه منطق ساده‌ست: ریلز با ریتم زنده می‌مونه، کتاب صوتی با پایداری، تبلیغ با پیام کوتاه و دستیار صوتی با وضوح.

دو سناریوی آموزشی: ادمین پیج و توسعه‌دهنده

این دو سناریو فرضی و آموزشی‌ان، نه نتیجهٔ تست انجام‌شده.

ادمین پیج آموزشی که هر روز ویس‌اوور ریلز می‌خواد. این آدم به یه قالب ثابت نیاز داره: جملهٔ اول قلاب، دو یا سه جملهٔ کوتاه آموزشی و جملهٔ آخر دعوت به عمل. هر روز متن رو با ترفندهای بالا آماده می‌کنه، یه نمونهٔ کوتاه گوش می‌ده و بعد کل صدا رو می‌سازه. فهرست املای اصلاح‌شده براش یه دارایی روزمره‌ست؛ اسم‌هایی که یه بار درست شدن، دیگه نباید دوباره سراغشون بره. برای دیدن کل فرایند ساخت ریلز هم می‌تونی آموزش ساخت ریلز با هوش مصنوعی رو ببینی.

توسعه‌دهنده‌ای که با API صدا رو به اپش وصل می‌کنه. اینجا به‌جای رابط کاربری، درخواست از راه API فرستاده می‌شه. متن با همون اصول آماده می‌شه و قبل از نوشتن منطق اپ، توسعه‌دهنده یه نمونهٔ کوچیک رو تست می‌کنه. چون قابلیت‌های API لزوماً با قابلیت‌های UI یکی نیستن، کنترل‌هایی که تو رابط کاربری دیده می‌شن رو نباید خودکار تو کد فرض کنه. برای ارتباط اپ با سرویس هم به یه کلید API و اعتبار روی حساب نیاز داره؛ جزئیاتش تو بخش بعدی اومده.

تلفظ اسم‌های خاص و کلمات انگلیسی وسط متن فارسی

یه محدودیت صادقانه: تلفظ اسم‌های خاص و کلمات انگلیسیِ وسط جملهٔ فارسی گاهی اشتباهه. اسم یه برند لاتین یا یه نام کمیاب ممکنه با تلفظ عجیب یا لهجهٔ ناخواسته خونده بشه.

راه‌حل‌های عملی:

• نوشتن آوایی به فارسی. به‌جای اسم لاتین، همون رو با حروف فارسی و به شکلی که باید خونده بشه بنویس. این تکنیک فقط برای متن ورودیه؛ اسم ابزارها تو تیترها و رابط کاربری همون املای انگلیسی خودشون رو دارن.
• جدا کردن کلمهٔ مشکل‌دار. واژه‌ای که مدام اشتباه خونده می‌شه رو تو یه جملهٔ کوتاه تنها تست کن.
• امتحان چند املا. دو یا سه شکل آوایی مختلف رو بساز و بهترین رو انتخاب کن.
• ذخیرهٔ املای موفق. هر شکل درست رو تو فهرست املای اصلاح‌شده نگه دار تا تو تولیدهای بعدی کپی‌پیست کنی.

این کار تو نگاه اول وقت‌گیره، ولی بعد از چند تولید، فهرستت کامل می‌شه و کار سریع‌تر پیش می‌ره.

برای استفادهٔ بیشتر و API: شارژ حساب شخصی

وقتی حجم کارت بالا می‌ره یا می‌خوای با API صدا رو به اپت وصل کنی، حساب شخصی خودت باید شارژ بشه. ElevenLabs برای تبدیل متن به صدا، گویندگی فارسی، کلون صدا و رونویسی استفاده می‌شه. خرید API تو کادینر یعنی شارژ اعتبار روی همون حساب شخصی خودت؛ کلید API رو هم خودت از حساب خودت می‌سازی. بسته‌های شارژ چند مبلغ مختلف دارن و قیمت به‌روز رو تو صفحهٔ محصول کادینر ببین.

پرداخت ریالیه و پرداخت ارزی رو کادینر انجام می‌ده. پیگیری خرید و فعال‌سازی هم با پشتیبانی فارسی کادینر از راه تلگرام انجام می‌شه.

اگه تو مرحلهٔ آزمایش هنوز راضی نشدی، لازم نیست چیزی بخری؛ با یه نمونهٔ کوتاه شروع کن. وقتی به حجم جدی‌تر یا ساخت اپ رسیدی، خرید ElevenLabs رو تو کادینر ببین.

دو سناریوی ساده نشون می‌ده شارژ حساب کجا لازم می‌شه. ادمین یه پیج آموزشی که هر روز یه ویس‌اوور ریلز می‌خواد، با یه تست کوتاه شروع می‌کنه، یه صدا و تنظیم ثابت پیدا می‌کنه و بعد هر روز متنش رو با همون تنظیم تولید می‌کنه. اینجا مصرف مرتب و تکراره و شارژ حساب جلوی وسط کار گیر کردنش رو می‌گیره.

توسعه‌دهنده‌ای که می‌خواد صدا رو به اپش وصل کنه، از حساب شخصی خودش کلید API می‌سازه و درخواست‌های اپ از همون اعتبار مصرف می‌شن. اینجا تعداد درخواست‌ها به تعداد کاربرهای اپ بستگی داره و پیش‌بینی‌ش سخت‌تره؛ برای همین بهتره از اول بدونی اعتبار حسابت تا کجا جواب می‌ده.

چک‌لیست قبل از اولین خروجی

قبل از تولید نهایی، این پنج سؤال رو از خودت بپرس:

• مدل انتخابی صریحاً فارسی رو تو فهرست زبان‌هاش داره؟
• یه نمونهٔ ۲ تا ۳ جمله‌ای گوش دادم؟
• جمله‌های بلند رو شکستم و عدد و اختصار رو خوندنی نوشتم؟
• اسم‌های خاص و کلمات انگلیسی رو آوایی کردم و تو جملهٔ جدا تست کردم؟
• فقط کنترل‌هایی رو تنظیم کردم که مدل انتخابی واقعاً داره؟

اگه جواب همه‌شون «آره»ست، تبدیل متن به صدا با همین متن آماده‌ست و می‌تونی کل فایل رو بسازی.

یه نکتهٔ عملی هم برای نمونهٔ آزمایشی: تکه‌ای رو تست کن که سخت‌ترین قسمت متنت باشه، نه ساده‌ترین جملهٔ اولش. جمله‌ای که عدد، اسم خاص و یه کلمهٔ انگلیسی با هم داره، زودتر از هر چیز دیگه مشکل رو نشون می‌ده. اگه همون یه جمله درست خونده شد، بقیهٔ متن معمولاً مشکلی نداره.

موقع تست مدل‌های مختلف هم یادت باشه همهٔ کنترل‌ها تو همهٔ مدل‌ها نیستن. تو Eleven v4 اسلایدرهای Style و Speed وجود نداره و SSML هم پشتیبانی نمی‌شه؛ پس اگه برای کنترل لحن دنبال این اسلایدرها می‌گردی و پیداشون نمی‌کنی، مشکل از حسابت نیست. تو اون مدل کنترل لحن باید از خود متن بیاد: نشانه‌گذاری، طول جمله‌ها و انتخاب صدا.